FACULTAD DE INGENIERA
ESCUELA DE INGENIERA INDUSTRIAL
DEPARTAMENTO DE INVESTIGACIN DE
OPERACIONES
PROBABILIDADES
ngel A. Carnevali F.
INDICE
NOTACIN
AGRADECIMIENTO
5 - 21
22 - 42
43 - 50
C
CA
AP
PIITTU
ULLO
O IIV
V:: DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES,
ALEATORIAS DISCRETAS
51 - 53
C
CA
AP
PIITTU
ULLO
O IIV
V:: DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES,
ALEATORIAS CONTINUAS
C
CA
AP
PIITTU
ULLO
OV
VII:: CONFIABILIDAD
BIBLIOGRAFA
54 - 77
78 - 86
87
NOTACION
Las letras griegas son usadas para:
Parmetros:
genrico:
Localizacin:
Escala:
Forma:
Diferencias:
Distribucin:
Constante
Correlacin:
Errores
Espacios:
Funcin gamma:
Funciones:
f, g, h
F, G, H
ndices de sumatorias:
i, j , k
X ,Y ,Z
Realizaciones de V. A minsculas:
x ,y ,z
A ,B ,C ,X
AGRADECIMIENTO
A Yamile Crdenas por su valiosa colaboracin en la trascripcin de este material.
A Carlos Pacheco por las correcciones realizadas.
CAPITULO I
IIN
NTTR
RO
OD
DU
UC
CC
CII
N
NA
A LLO
OS
SM
MO
OD
DE
ELLO
OS
SP
PR
RO
OB
BA
AB
BIILLIIS
STTIIC
CO
OS
S
TEORA DE CONJUNTOS
Un CONJUNTO es una coleccin bien definida de objetos.
A los objetos de un conjunto se les llama ELEMENTOS.
Un SUBCONJUNTO es un conjunto en el que cada elemento de dicho conjunto pertenece a
otro conjunto.
NOTACIN:
A B; A esta contenido en B A es subconjunto de B. En este caso se dice que A es un
subconjunto propio de B ya que se excluye la posibilidad de que A = B.
A = B todo elemento de A est en B y todo elemento de B est en A
A B A es subconjunto de B pero cabe la posibilidad de que A = B
X A el elemento X pertenece esta incluido en el conjunto A
A B A no est contenido en B
A B A no es igual a B
A B el elemento X no pertenece al conjunto A.
CONJUNTO VACO: es aquel que no contiene elementos ( )
CONJUNTO UNIVERSAL: conjunto que contiene cualquier conjunto (U = )
Dado un conjunto A se considera A U.
Dados A y B conjuntos tenemos:
A B = X/ X A X B
A B = {X/ X A X B
A-B = {X/ X A y X B}
A C = - A = {X/ X A}
b) A A = A
b) (A B) C = A (B C)
3.-CONMUTATIVA:
a) A B = B A
b) A B = B A
4.- DISTRIBUTIVAS:
a) A (B C)=(A B) (A B)
b) A (B C) = (A B) (A C)
5.-IDENTIDAD:
a) A = A
b) A U = U
c) A U = A
d) A =
6.-COMPLEMENTO:
a) A A C = U
b) (A C) C = A
c) A A C =
d) U C =
LEYES DE DE MORGAN
a) (A B) C = A C B C
b) (A B) C = A C B C
ij
2) U Ai A
PROBABILIDAD
PROBABILIDAD es el estudio de experimentos aleatorios.
EXPERIMENTO proceso por medio del cual se obtiene una observacin.
EVENTO cualquier resultado del experimento.
EVENTO SIMPLE evento que no se puede descomponer. A cada evento simple le
corresponde uno y slo un punto muestral.
ESPACIO MUESTRAL conjunto de todos los posibles puntos muestrales tambin se define
como el conjunto de todos los resultados posibles de un experimento.
PUNTO MUESTRAL resultado particular de un experimento.
Dos eventos A y B se llaman MUTUAMENTE EXCLUYENTES si son distintos, es decir, A
B =
Un ESPACIO DISCRETO es un espacio muestral finito o numerablemente infinito de puntos
muestrales.
Un evento definido en un espacio muestral discreto S es una coleccin de puntos muestrales,
es decir, un subconjunto de S.
FRECUENCIA nmero de veces que aparece un resultado en un experimento.
FRECUENCIA RELATIVA frecuencia dividida por el nmero total de veces que se realiz el
experimento.
EXPERIMENTO ALEATORIO es aquel en el que todo resultado tiene la misma
probabilidad de salir.
DEFINICIN CLSICA DE PROBABILIDAD PROBABILIDAD COMBINATORIA cociente
entre nmero de resultados del experimento, favorables al experimento y el nmero de
resultados posibles e igualmente probables.
DEFINICIN FRECUENCIAL DE PROBABILIDAD es la frecuencia relativa de un evento en
n intentos repetidos de un experimento aleatorio cuando n tiende a infinito.
DEFINICIN SUBJETIVA DE PROBABILIDAD es el grado de confianza que una persona
posee en la factibilidad de un evento.
Supngase que un espacio muestral S est asociado con un experimento. Se define una
FUNCIN DE PROBABILIDAD del espacio de eventos del experimento (un conjunto y la
-LGEBRA de conjuntos de) en el intervalo [0,1] tal que a cada evento A definido en S se
Ejemplo:
Un lote de doce artculos tiene cuatro defectuosos, se toman al azar tres artculos del lote
uno tras otro. Hallar la probabilidad p de que los tres estn buenos.
1.-Por Teorema de la Multiplicacin:
(8/12)*(7/11)*(6/10) = 14/55
2.-Por Combinatoria:
C8,3 / C12,3 = 14/55
Esto se conoce como pruebas sin sustitucin muestreo sin sustitucin.
DEMOSTRACIN:
Como {Ai} i = 1, 2, ..., n son una particin de S esto implica A i Aj = ij y que U Ai = A1
U A2 U...U An = S como B = S B = (A1 U A2 U...U An ) B =
10
OBSERVACIN:
La importancia del Teorema de Bayes radica en que partiendo de las probabilidades iniciales
a priori P (Ai) i = 1,2,..., n y de las verosimilitudes como tambin son llamadas las
probabilidades condicionales PA j j = 1,., n (Asignacin de probabilidades con un proceso
que va de lo general a lo particular)
Permite determinar las probabilidades finales a posteriori.
Con esto tenemos las herramientas para calcular probabilidades y resolver cualquier
ejercicio. Adems de poder profundizar ms en la teora de probabilidades.
Pero nos falta repasar.
TECNICAS PARA LA ENUMERACIN DE PUNTOS MUESTRALES TCNICAS DE
CONTAR
(ANLISIS COMBINATORIO)
TEORA (PRINCIPIO FUNDAMENTAL DEL CONTEO):
Sean A i i= 1, , m Conjuntos con ni Elementos respectivamente definimos la n-UPLA (a1,
m
a2, ,am) tal que ai A i i Entonces existen n i = n1, n2 nm n UPLAS con estas
i1
propiedades.
DEFINICIN: El arreglo ordenado de r objetos o elementos distintos se denomina
permutacin. El nmero de maneras en que se pueden ordenar n objetos distintos tomados r
a la vez se denota por el smbolo Prn
TEOREMA Prn
n!
n r !
COROLARIO Pnn n!
11
donde
n
i1
n!
n! ! n 2 !..... nk !
NOTACIN:
n
n1n 2..... n k
TEORA
n nr! ! r!
n
r
TEORA
nr1
n
+
r 1
r
n
DIAGRAMAS DE ARBOL: Dibujo que se usa para enumerar todos los resultados posibles
de una serie de experimentos, en donde cada experimento puede suceder en un nmero
finito de maneras.
CALCULO DE PROBABILIDADES DE UN EVENTO
1) MTODO DE LOS PUNTOS MUESTRALES
1. defina el experimento
2. Establezca los eventos simples asociados con el experimento y someta a prueba cada uno
para asegurarse de que no se puede descomponer mas, esto define el espacio muestral S.
3. Asigne a cada punto muestral en S una probabilidad adecuada, verificando P (Ei) 0
PEi 1
4. Defina el evento de estudio A, como una coleccin especfica de puntos muestrales.
5. Encuentre =(A) sumando las probabilidades de los puntos muestrales de A.
12
D
0.03
N
B
0.3
D
0.04
C
0.2
D
0.05
PA P( X / A )
15
PROBLEMAS PROPUESTOS
13
P( A )
P( A )
( A B) P( A ) , ( A B)
( A B)
P( AUB ).
NO
___ (A B) ( A C) A (B C)
___
(A B) ( A B) B
___
(A ' B) ( A B)
2._ Se debe examinar un grupo grande de personas respecto a dos sntomas comunes de
cierta enfermedad, se considera que 20% de las personas presentan solamente el sntoma A,
30% tienen solamente el sntoma B, 10% tienen ambos sntomas, y el resto no tiene sntoma
alguno. Para una persona escogida al azar de este grupo, encuentre las probabilidades de
los eventos siguientes.
2.1) a) Que la persona no presente sntoma alguno.
b) Que la persona presente al menos un sntoma.
c) Que la persona presente ambos sntomas dado que presenta el sntoma B.
2.2) Sea Y la variable aleatoria que representa el nmero de sntomas que presenta una
persona elegida al azar del grupo. Calcule las probabilidades asociadas a cada valor de Y.
3._ Se escogen cinco cartas de una baraja comn de 52 Cul es la probabilidad de que las
cinco cartas sean del mismo palo?
4._ Se tienen 2 cajas, la caja A, contiene 4 fichas blancas y 5 fichas rojas. La caja B, contiene
3 fichas blancas y 2 fichas rojas.
Se lanza un dado. Si el dado resulta en el nmero 1 o 2, se toma una ficha al azar de la caja
A y se coloca en la caja B. Posteriormente, se revuelve la caja B, y se extrae finalmente una
ficha.
Si el dado resulta en los nmeros 3, 4,5, o 6, se toma una ficha al azar de la caja B se
coloca en la caja A. Posteriormente, se revuelve la caja A y se extrae finalmente una ficha.
Cul es la probabilidad de que la ficha finalmente extrada, sea roja?
5._ Si consideramos que en un lanzamiento de 10 dados por lo menos uno fue As Cul es
la probabilidad de que resulten 2 ms Ases?
14
6._ Una maquinaria para producir un nuevo tubo electrnico experimental genera tubos
defectuosos de vez en cuando, de una manera aleatoria. El Ingeniero Supervisor de una
mquina en particular, ha notado que los tubos defectuosos parecen agruparse (y, por tanto,
aparecen de manera no aleatoria) y esto sugiere el mal funcionamiento de alguna parte de la
mquina, una prueba para detectar la no aleatoriedad de un evento, se basa en el nmero de
corridas de artculos defectuosos y buenos (una corrida es una sucesin no interrumpida de
artculos defectuosos, o de artculos buenos), mientras ms pequeo sea el nmero de
corridas, ms grande es la evidencia que indica la no aleatoriedad. De doce tubos producidos
por la mquina, los primeros 10 eran buenos y los dos ltimos defectuosos
(BBBBBBBBBBDD), suponga la aleatoriedad.
a) Cul es la probabilidad de observar la secuencia antes mencionada (resultante de dos
corridas) Dado que 10 de los 12 tubos son buenos?
b) Cul es la probabilidad de observar dos corridas?
c) Cul es la probabilidad de que el nmero de corridas R sea R 3?
7._ Usando las leyes de probabilidades para dos eventos, demostrar que:
a) P( A B C) P( A ) P(B) P(C) P( A B) P( A C) P(B C) P( A B C)
b) P( A B C) P( A )P(B / A )P(C / A B)
8._ - En cierta fbrica hay tres mquinas identificadas como 1,2 y 3. Al final de cada da las
mquinas son inspeccionadas para decidir si requieren con la inspeccin diaria de las
mquinas, sean A1, A2 y A3 eventos definidos como sigue:
a) Exprese en funcin de los Ai los siguientes eventos:
a-1) ninguna de las mquinas requiere mantenimiento.
a-2) al menos una de las mquinas requiere mantenimiento.
a-3) al menos dos de las mquinas requieren mantenimiento.
b) Considere que los eventos Ai son independientes entre s y que P (A1) = 0.10,
P (Z2) = P (A3) = 0.05.
b-1) Si exactamente dos mquinas requieren mantenimiento. Cul es la probabilidad de que
la mquina 1 requiera mantenimiento?.
b-2) Si al menos una de las mquinas requiere mantenimiento, Cul es la probabilidad de
que la mquina 1 no requiera mantenimiento?.
9. _ Se dispone de un grupo de 20 msicos de los cuales 5 son guitarristas. De este grupo de
msicos se formar una banda de 4 integrantes escogidos totalmente al azar.
a. Cul es la probabilidad de que al menos sea escogido uno pero no ms de dos
guitarristas?
b. Cul es la probabilidad de que el primero o el cuarto escogido sean guitarristas?
c. Cul es la probabilidad de que el segundo sea guitarrista si conocemos que en el grupo
seleccionado hay un guitarrista exactamente?
15
10._ Se tiene una fbrica donde se producen filtros de Aceite. Se conoce que diariamente se
producen 10.000 filtros y que de esa produccin histricamente el 2% es defectuoso. Para
controlar la calidad del producto se toman 50 filtros y se observan. Si aparecen 2 ms filtros
defectuosos se inspecciona el equipo. Se pregunta: Cul es la probabilidad de que durante
7 das consecutivos en 3 de ellos sea necesario inspeccionar la maquinaria?
11._ Supngase que dos refrigeradores defectuosos han sido incluidos en un envo de seis
refrigeradores uno por uno sin reemplazo.
a) Cul es la probabilidad de que se encuentre el ltimo refrigerador defectuoso en la
cuarta prueba.
b) Cul es la probabilidad de que no haya que probar ms de cuatro refrigeradores para
encontrar los dos defectuosos.
c) Dada que uno de los dos defectuosos ha sido identificado se encuentre en la tercera o
cuarta prueba.
12._ Pedro recibe un promedio de 5 llamadas entre las 9 y las 10 a.m. en das laborables,
recibindolas al azar. I) Encontrar la probabilidad de que Pedro reciba una (1) o ms
llamadas entre las 9 y las 10 a.m. de un da cualquiera. ii) Encontrar la probabilidad de que
reciba exactamente dos (2 llamadas entre las 9 y las 9:12 a.m. iii) calcule la probabilidad de
que en una semana de cinco (5) das haya exactamente dos (2) das cuando Pedro no
reciba llamadas entre las 9 y las 9:12 a.m.
13._ Una mquina encartonadora funciona satisfactoriamente el 97% del tiempo y en tales
circunstancias produce con una fraccin defectiva del 1% un funcionamiento insatisfactorio
ocurre cuando hay desajustes en las guas que lleva los estuches y en tal caso el 10% de los
artculos son defectuosos. Un da cualquiera se seleccionan 10 artculos al Azar Cul es la
probabilidad de que hayan al menos dos defectuosos?
14._ Se afirma que una prueba para diagnosticar una enfermedad la detecta con una
probabilidad de 0.9 si la persona tiene la enfermedad. Si una persona no est afectada por la
enfermedad, la prueba tambin indicar que no la tiene con la tiene con probabilidad de 0.9.
Solamente 1% de la poblacin tiene la enfermedad en cuestin. Si se escoge una persona al
Asar de la poblacin y el diagnstico indica que tiene la enfermedad Cul es la probabilidad
de que realmente tenga la enfermedad? Es confiable la prueba?
15._ Para ir a su trabajo un individuo puede hacerlo en autobs o en tranva y eso lo hace
con probabilidades 0,3 y 0,7 respectivamente, cuando viaja en autobs, llega tarde el 30% de
las veces, y cuando viaja en tranva llega tarde 20% de las veces. Dado que un da
determinado el individuo llega tarde Cul es la probabilidad que haya viajado en autobs?
16._ Se ensea a un mono a reconocer los colores al introducir una pelota roja, una negra y
una blanca en una caja de los mismos colores, una bola para cada caja. Si el mono no ha
aprendido los colores y simplemente echa una pelota en cada caja al azar, encuentre las
probabilidades siguientes:
a) No hay correspondencia en los colores.
b) Hay una sola correspondencia de colores.
16
17._ Un estudiante contesta una pregunta que ofrece cuatro soluciones posibles en un
examen de seleccin simple. Suponga que la probabilidad de que el estudiante sepa la
respuesta a la pregunta es de 0.8 y la probabilidad de que tenga que contestar al azar, es 0.2.
Suponga adems que la probabilidad de seleccionar la respuesta correcta cuando se
responde al azar es de 0.25.
Si el estudiante contesta correctamente la pregunta, Cul es la probabilidad de que
realmente sepa la respuesta correcta?
18._ En bsqueda de un Gerente para ocupar el cargo de Gerente General en una pequea
empresa perteneciente a un grupo de Empresas Metalmecnica, se tiene 3 candidatos.
El concurso se basa en 3 etapas a ser cubiertas en forma consecutiva:
Etapa 1: se someten a una prueba escrita.
Etapa 2: se entrevistan con el Director de Mercadeo.
Etapa 3: se entrevistan con los Directores de Finanzas y Produccin.
Para que un candidato quede seleccionado en estas tres etapas deber aprobar cada una de
ellas. En el momento en que desapruebe una de ellas queda eliminado.
A continuacin se indica las probabilidades de que cada candidato apruebe en cada una de
dicha etapas en forma independiente:
CANDIDATO
1
2
3
ETAPA 1
0.92
1.00
0.85
ETAPA 2
1.0
0.8
0.6
ETAPA 3
0.75
0.95
1.00
1
2j
j= 1,2,..
a) Calcular P(X es par)
b) Calcular P(X 5)
c) Calcular P(X es divisible por 3)
17
18
PROVEEDOR
A
B
C
C
RESISTENCIA
fd%
Prop.
0,5
1
1,5
1
0,75
2
-----
FUSIBLES
fd%
Prop.
1
1
0,01
2
0,05
1
-----
CONDENSADORES
fd%
Prop.
0,05
1
0,05
1
0,05
2
0,05
3
Si tenemos todos los componentes del mismo tipo juntos, y se empaquetan 2 resistencias, 1
fusible y 2 condensadores, formando un KIT.
a) Calcule la probabilidad de que en un Kit haya al menos un componente malo.
b) Dados 5 Kit, cul es la probabilidad de tener por lo menos 2 Kit malos.
c) Dado que en un Kit. Una resistencia se encuentra mala, cul es la probabilidad que sea
del proveedor B.
19
20
CAPITULO II
VARIABLES ALEATORIAS
DEFINCIN: UNA VARIABLE ALEATORIA X De un espacio muestra S es una funcin de
S en el conjunto de los nmeros reales R, tal que la imagen inversa de cada intervalo de R
es un evento ( suceso) de S.
OBSERVACIN Si S es un espacio discreto en el cual cada subconjunto es un suceso,
entonces cada funcin de valores reales de S es una variable aleatoria pero si S es no
contable, existen ciertas funciones de valores reales de S que no son variables aleatorias.
TEOREMA Sean X e Y variables aleatorias del mismo espacio muestral S entonces X+Y,
X+k, kX, XY con K e R son variables aleatorias definidas por
(X+Y) (s) = X (s) + Y (s)
(X+ k) (s) = X(s) + k
S S
i) f (Xi) 0
ii)
f x 1
i
i1
Xi
X2
f(X1) f(X2)
Xn
f(Xn)
y+ Xn f (Xn) =
x
i 1
f (X i ) =
x p( X
i 1
21
VAR (X) =
u f X i EX u
Donde u es la media de X
La Desviacin estndar Desviacin Tpica de X denotada por
x es X = VAR ( X)
n
x f x u
2
i1
E x 2 u2
DISTRIBUCIN CONJUNTA
DEFINICIN: Sean X e Y variables aleatorias de un espacio Muestral S con los respectivos
conjuntos imagen X(S)= { X1, X2,,Xn} Y (S) = {Y1,Y2,,Ym}
El conjunto producto X(S) x Y (S) = {(X1, Y1), (X1, Y2),, (Xn, Ym) } es un espacio de
probabilidad definiendo la probabilidad de la pareja ordenada (X i, Yi) como P(X =Xi, Y =Yj)
que escribimos h(Xi,Yi) esta funcin h de X(S) x Y(S) definida por h(Xi, Yj) se llama
distribucin conjunta funcin de probabilidad conjunta de X e Y y se da en forma de tabla.
X
Y1
Y2
h(x1,y1) h(x1,y1)
X1
X2
.
Xn
h(xn,y1) h(xn,y2)
SUMA g(y1)
g( y2)
..
Ym
SUMA
h(x1,ym)
f(x1)
h(x2,ym)
f(x2)
h(xn,ym)
g (ym)
f (xn)
1
22
hx y
m
i,
J 1
g ( yj) =
h( x y )
i,
i1
ii)
h( x y ) 1
1i j1
x (x
i
x )( yi y )h( xi , y j ) = E ( x x )
i, j
x y h( x , y
i
) xy
ij
XY
i) ( x, y) ( y, x)
ii) 1 1
iii) ( x, x) 1
( x,x) 1
23
En otras palabras X e Y son independientes si cada elemento h(X i ,Yj) es el producto de sus
elementos marginales.
TEOREMA Sean X y Y v.a.i. entonces i) E (XY) = E(X) E (Y)
ii) Var (X+Y) = var(X) + var (Y) iii) Cov (X,Y) = 0
TEOREMA Sean X1, X2,, Xn v.a.i entonces Var (X1+ X2+.+Xn) = Var (X1) ++
Var (Xn).
GENERALIZANDO
Sean X e Y v.a de S, se dice que Y es una funcin de X si Y se puede representar por alguna
funcin de valor real de una variable real Y = (x), esto es Y (s)= x(s)s S
Ejemplos kX, X2, X+k (X+k)2 son funciones de X con ( x) kx, x 2 , x k( x k ) 2
TEOREMA X e Y v.a. de S. Y = ( x ) entonces E (Y)=
( x ) f ( x )
i 1
X v.a. de S con un conjunto imagen infinito contable, o sea X(S)= {X 1, X2,..}. Convertimos
X(S) en un espacio de probabilidad definiendo la probabilidad de X i como f (Xi) = P(X= Xi) y
llamamos f la distribucin de X.
E(X) =
Xi f ( Xi )
Var (X)=
i1
x
i1
TEOREMA Var (X) existe si y solo si u = E(X) y E(X2) existen ambos y var(X) = E(x) 2 u2
como en el caso finito.
DEFINICIN Var (X) existe, se define la desviacin estndar
x Var ( x )
Es fcil extender las nociones de distribucin conjunta, v.a.i y funciones de variables
aleatorias, adems si existen Var (x) y Var (y) (x,y v.a. sobre S)
(x
i, j
COV (X,Y) =
x y h( x y
i
) u x uy
i, j
DEFINICIN Las variables aleatorias cuyo conjunto imagen es finito contablemente infinito
se llaman DISCRETAS
24
f ( x)dx 1
I) f (x) 0 ii)
Las funciones variables aleatorias se definen justamente como en el caso discreto y puede
demostrarse que si Y= ( X), entonces
E(Y) =
( x u) f ( x)dx
2
Cuando existe la integral, se puede demostrar que Var (x) existe si y solo s existen u=E(X) y
E(X2) u2 = x 2 f ( x )dx u 2
R
La desviacin estndar x =
Si X es discreta F(x) =
x i x
Si X es continua F(x) =
X.
25
p( (x-u)| )
2
2
TEOREMA (LEY DE LOS GRANDES NMEROS) Sea X1, X2,.una sucesin de variables
aleatorias independientes con la misma distribucin con media u y varianza 2, Sea S n
(s1+X2+.xn) /n, entonces para un:
> 0 Lim P(| S n u | = ) 0
n
equivalente
lim P (| S n - u) < = )1
EJERCICIOS
a) se lanza un dado corriente, designemos x como el doble del nmero que aparezca y
denotemos y como 1 3 segn el nmero sea impar o par. Hallar la distribucin, la
esperanza, la varianza y la desviacin estndar de:
i) X ii) Y iii) X+Y iv) XY
b) Halle la esperanza de los lanzamientos de una moneda hasta que resulte cara 5 sellos.
c) Sea X v.a y Y = X2 Distribucin de X
Xi
-2 -1 1
2
F(xi) 1/4 1/4 1/4 1/4
Determine: i) La Distribucin de Y
ii) La Distribucin conjunta de X e Y
iii) Cov (X,Y) y P(X,Y)
FUNCIONES DE VARIABLES ALEATORIAS
DEFINICIN Sea C un evento (subconjunto) asociado con el recorrido Y, R y, como se
describi anteriormente. Defnase B C Rx como sigue
B=
x Rx / H (x) C
OBSERVACIN: No toda funcin de una variable aleatoria da como resultado una v.a sin
embargo las funciones que aparecen en las aplicaciones estn entre las que se pueden
considerar y no nos preocuparemos por sta dificultad.
CASO 1 Sea X una v.a discreta, Y = H(x) tambin es una v.a discreta.
a) Sean X1, X2, Xn,..los valores posibles de X, p(xi) = P(X=xi) y H es una funcin tal que a
cada valor de y le corresponda exactamente un valor de x, entonces la distribucin de
probabilidades de Y se obtiene:
Valores posibles de Y yi = H (xi)
i= 1,2.
Probabilidades de Y g (yi) = P (Y=yi) = p (xi)
b) A menudo la funcin H no tiene esta caracterstica, y varios valores de X dan el mismo
valor de Y, sean Xi1, Xi1,,Xik,., los valores de X que tienen la propiedad H (Xij)= Yi para
toda j, ENTONCES:
g (yi) = P(Y=yi) = p(xi1) + p (xi2) +
CASO 2 X una V.A. continua. Y= H (x) toma valores discretos, para obtener la distribucin
de probabilidades de Y, determine el evento equivalente (en el recorrido de X, Rx) que
corresponde a los diferentes valores de Y. Si {Y = yi) es equivalente a un evento A, en el
recorrido de X entonces.
g (yi) = P(Y= yi) = f ( x )dx
A
CASO 3 Sean X una V.A. continua, H una funcin continua, f la funcin de densidad fdp de X,
Entonces Y= H(x) es una V.A. continua y queremos hallar su f.d.p.
- Obtenga G, la f.d.a de Y, donde G (y) = P (Y y), despus de encontrar el evento A (en R x)
que equivale al evento {Y y}
- Diferencie G (y) con respecto a y para obtener g (y)
- Determine estos valores de y en Ry para los cuales g (y) >
Lo ms importante aqu es sustituir el evento {Y y} por el evento equivalente en trminos de
la V.A. X. Esto es sencillo si la funcin es una funcin estrictamente montona (creciente
decreciente) de X. es decir podemos resolver y= H(x) para x en trminos de y, x= H -1(y)
donde H-1 es la funcin inversa de H. As si H es estrictamente creciente {X (x) y} equivale
A {H H -1(y)} mientras que si H es estrictamente decreciente { H (X) y}equivale A { X H -1
(y)}
TEOREMA Sea X una V.A. continua con fdp f donde f(x) > 0 para a x b, supngase
que y= H(x) sea una funcin estrictamente montona (creciente decreciente) supngase
que H es derivable (por lo tanto continua) para todo x. Entonces, la variable aleatoria y
dx
definida como Y= H(X) tiene una fdp y dada por g (y) = f(x)
donde x se expresa en
dy
trminos de y, si H es creciente, entonces y es distinta de cero para los valores de y que
satisfacen.
H(a) y H (b), si H es decreciente, entonces g es distinta de cero para los valores de y que
satisfacen H (b) y H (a)
27
EJEMPLOS
2x 0 x 1
( y 1) / 3
2xdx ( y 1) / 3
X= (y-1)/3
As g (y) = G1 (y) =
2
( y 1)
9
Puesto que f(x) > 0 para 0 x 1 encontramos que g(y) > 0 para 1 y 4 el evento A que
equivale al evento { Y y}es simplemente {X (y 1)/3 } por otro mtodo tenemos G(y) =
dG( y ) dG( y ) du
y 1
y 1
.
P(Y y) = P ( X
donde F es la FDA de X
donde u=
)=F(
dy
du dy
3
3
y 1
y 1
por lo tanto G1(y) = F1 (u). 1/3 = f(u) . 1/3 = 2 (
) . 1/3
3
3
tambin usando el Teorema se tiene f(x)= 2x 0 x 1
y= 3x + 1 por lo tanto X= (y-1)/3
dx
1/ 3 . As g (y) = 2 ( y 1) / 3 1/ 3 2 / 9( y 1) 1 y 1 que concuerda con el resultado
dy
anterior.
2) X v.a continua como en 1), sea H(x) = x para encontrar la f.d.p de Y = H(x) hacemos:
G= (y) =P (Y y) = P ( x y ) P( x ln y )
ln y
= G1(y) = -2 ln y/y, puesto que f(x) > 0 para 0 < X < 1 encontramos que g(y) > 0 para 1 < y
-1<x<1
sea H(x) = x2 que no es una funcin montona
O
otro caso
en todo el intervalo [-1,1], entonces
2
G/y) P (Y y) = P(x y) = P (- y X y ) F y ) = - F y
3) f(x) =
28
g (y) = G1(y)=
f ( y)
2 y
f ( y )
2 y
1
2 y
1
1
1
As g (y) = y ( 1 )
y
2 2
2
2
f (
y ) f ( y
0<y <1
f,
g(y)
( x, y) R
f ( x, y)dxdy 1
R2
f ( x, y)dxdy
f ( x, y )dy
y como h (y) =
f ( x, y )dx
f ( x, y)dydx g ( x)dx
c
29
DEFINICIN: Sea (X,Y) v.a.b.c con f.d.p. conjunta f, sean g y h las f.d.p. marginales de X y Y
la f.d.p. condicional de X para Y =y dada, est definida por
f ( x, y )
h( y ) > 0
g (x/y) =
h( y )
f ( x, y )
g ( x) > 0
La f.d.p. condicional de Y para X=x dada, se define h (y/x)=
g ( x)
OBSERVACIN: Las f.d.p. condicionales son f.d.p. unidimensionales, por ejemplo para y fija
tenemos g(x/y) 0 y
f ( x, y )
1
h( y )
g
(
x
/
y
)
dx
dx
h( y) h( y) f ( x, y)dx h( y) 1
Anlogamente para h (y/x)
OBSERVACIN: Una interpretacin intuitiva de g(x/y) se obtiene si consideramos la
superficie representada por la f.d.p. conjunta f con el corte del plano y=c, la interseccin del
plano con la superficie Z= f(x,y) resultar en una f.d.p. unidimensional, llamada la f.d.p. de X
para y= c, esta es precisamente g(x/c).
DEFINICIN: Sea (x,y) v.a.b decimos que X y Y son v.a INDEPENDIENTES, si y slo si
f (x,y) = g(x) h(y) ( x, y) , donde f es la f.d.p. conjunta y g y h son las f.d.p. marginales de X
y Y respectivamente.
TEOREMA:
1) (X, Y) v.a.b. discreta, entonces X y Y son INDEPENDIENTES si y solo si P (xi/yi = p(xi)
i, j lo que es equivalente si y solo si q(y i/xi)= q (yi) donde p y que son las funciones de
distribucin de X y Y.
OBSERVACIN: La distribucin conjunta determina en forma nica las marginales, pero el
inverso no es verdadero. Solo es verdadero cuando hay independencia.
TEOREMA: Sea (X,Y) v.a.b Sean A C R x, B C Ry, entonces si X, Y son v.a independientes se
tiene
en
el
caso
continuo
se
demuestra
P( A B) P( A) P( B)
P(A B)
A B
f ( x, y)dxdy
g ( x)h( y)dxdy
A B
g ( x)dx h( y)dy P( A) P( B)
B
k ( z, w)dw.
Faltara por resolver cmo elegir la v.a W? Cmo calcular la f.d.p. conjunta? En el primer
caso se escoge la V.A. ms sencilla posible. En el segundo:
30
TEOREMA: Sea (X,Y) una v.a.b.c con f.d.p. conjunta f. sean Z= H 1(X,Y) y W= H2(X,Y) y
supongamos que H1 y H2 satisfacen las siguientes condiciones:
a) Las ecuaciones Z= H1 (x,y) W= H2(x,y) se pueden resolver nicamente para X y Y en
trminos de Z y W, digamos X= G1(z,w) y Y= G2 (z,w)
b) Las derivadas parciales x / z, x / w, y / z, y / w existen y son continuas. Entonces
la f.d.p. conjunta de (Z,W), digamos K(z,w) est dada por la expresin K (z,w) =
f[1(z,w), 2(z,w)] / J (z,w) donde J(x.w) es el jacobiano de la transformacin (x,y)
(z,w) y a veces se denota
( x, y ) / j ( z , w)
J (z,w) =
x
x
y
z
x
w
y
w
determinante de la matriz
k ( s, t )ds dt
donde k es la f.d.p. buscada, cmo se supone que la transformacin (x,y) (z,w) es uno a
uno se puede encontrar el evento equivalente a {Z z, W w} en trminos de X y Y. sea este
evento C, esto es {(x,y) C} si y slo si {Z z, W w}, por lo tanto
w
w 1
1) Sea W= XY luego la f.d.p. de W, digamos p, est dada por p(w) g (u )h( ) du
u u
2) Sea Z= x/y entonces la f.d.p. de Z, digamos q, est dada por
g (vz)h(v)(v)dv
En 1) W= WY
u=x
as
x=u
y = w/u
En 2) Z= x/y
v=y
as
x = vz
y=v
1
u
J=v
J=
31
x p( x
i 1
/ yj)
E(X/y) =
xg ( x / y)dx
TEOREMA: X, Y
1) es importante reconocer
que la
esperanza interna se toma respecto a la
distribucin condicional de X, dado que Y
es igual a y, mientras que la esperanza
exterior se toma respecto a la distribucin
de probabilidades de Y.
E (Y/X) = E(Y)
32
PROBLEMAS PROPUESTOS
1._ Se forma una Empresa de Explotacin petrolera con suficiente capital para financiar 10
exploraciones. La probabilidad de que una exploracin en particular sea exitosa es de 0,1.
Supngase que las exploraciones son independientes. Encuentre la Media y la Varianza del
nmero de exploraciones exitosas.
OBSERVACIN: Slo es vlido calcularlas no el resultado.
2._ Supngase que X y Y son variables aleatorias independientes con las distribuciones
respectivas.
Xi
f(x1)
2
0,7
3
0,3
Yj
g(yi)
-2
0,3
5
8
0,5 0,2
33
6._ Un carro circular por la avenida Universidad, donde encuentra 4 semforos. En cada uno
de los semforos el carro tiene una probabilidad igual a de encontrar la luz roja.
a) Simule la trayectoria del carro 20 veces.
b) En base a los resultados de la simulacin determine:
A= (N de semforos que puede avanzar el carro sin detenerse)
c) Dibuje el histograma de frecuencias del evento A y la Ojiva correspondiente.
d) Determine la Media, Varianza y el Fractil. 75.
Si consideramos el evento A del problema anterior como una v.a. X, determine la
funcin de Probabilidad y la Funcin de Distribucin de dicha v.a. X. Calcule el E(X),
V(X) y el valor de X tal que P(X x) = . 75..
Compare los resultados con los obtenidos en el problema 1 y saque conclusiones.
7._ Se sabe que un grupo de cuatro componentes contiene dos defectuosos. Un inspector
prueba los componentes uno por uno hasta encontrar los dos defectuosos. Una vez
encontrado el segundo defectuoso, se concluye la prueba.
8._
f(x)
0,4 0,6
2)
-1
Sea Y = 2x-3
x
Halle g (y) (f.d.p. de y)
9._ Sea X una variable aleatoria cuya funcin de densidad se ilustra en la siguiente grfica:
f (x)
X
-1
34
-1
a) La expresin de la f.d.p. de x
b) La FDA de X. Grafquela
c) Usando la FDA calcule P(X 0.75) P(0,5 X 1,5)
SEA Y= 2 3X Explique como determinara V (y) indicando la expresin de calculo sin hacer
los mismos.
11._
0.1
0.2
a
80
90
Determine el valor de a
12._ Suponga una variable Y con la funcin de densidad
C*y 2 y 0 y <
f (y) =
0
a) Determine c
b) Calcule la media de Y
c) La mediana de una variable aleatoria continua es el valor y tal que F (y) = 0.5.
Calcule la Mediana de Y
35
(x) < 1
f (x)
0
a)
b)
c)
d)
; si
(x) 1
Hallar el valor de c
Hallar la esperanza y la varianza de la variable aleatoria.
Halle la funcin de distribucin acumulada de la variable aleatoria.
Calcule P (-20 < x 0.5)
14._El porcentaje de impurezas por unidad de produccin en cierto producto qumico es una
variable aleatoria y que tiene una funcin de densidad.
f (y)
a y2 (a-y)
0y1
a) Calcule a
b) Si una unidad de produccin con ms de 40% de impurezas no se puede vender
Cul es la probabilidad de que una unidad de produccin seleccionada al azar no
se pueda vender porque hay demasiadas impurezas?
c) Encuentre la media y la varianza del porcentaje de impurezas en una unidad de
produccin escogida al azar del producto qumico.
15._Una tienda de abarrotes al menudeo tiene una demanda diaria Y para cierto tipo de
comestible que se vende por libra, en donde Y, medida en ciento de libras, tiene una
funcin de densidad de probabilidad
f(y)
cy2 0 y 1
0 en otro punto
36
f (x) =
0 x2
1
x< X 3
2
= 0 otro caso
Determine:
a) La funcin de distribucin acumulada de x.
b) El valor esperado, moda, varianza y fractil 0.75.
c) P (1 < x 2,5), p (x 2.3 / x > 1.5)
17._ El porcentaje de alcohol en cierto compuesto es una variable aleatoria y
Con la siguiente funcin de densidad f (y)=
Suponga que el precio de venta del compuesto depende del contenido de alcohol.
Especficamente, si 1/3 < y < 2/3. El compuesto se vende por C 1 Bolvares el litro; de otra
manera se vende por C2 Bolvares el litro. Si el costo de produccin es C 3 Bolvares por litro,
encuentre la distribucin de probabilidad de la ganancia neta por litro.
18._ sea X una variable aleatoria con la siguiente Funcin de Distribucin de Probabilidad:
(1/2 X2);
fdp
0 X
X 11/3
otro caso.
-1 x 0
0,5 + CX
0 x 1
f(x )
20._ Sea X una VA. Continua que tiene la siguiente funcin de densidad.
2(2-x)
1 x 2
f(x)
0
en otro caso
0 y 1
f(y)
o
en otro punto
a) Determine el valor de C
b) Obtener F (y)
c) Graficar f (Y) y F (y)
d) Utilizar F (Y) de b) para encontrar F (-1), F (0), F (1)
e) Calcular la probabilidad de que un estudiante termine en menos de media hora.
f) Dado que un estudiante necesita al menos 15 minutos para presentar el examen,
encuentre la probabilidad de que necesite al menos 30 minutos para terminarlo.
22._ Sea (X,Y) una v.a. bidimensional continua con f.d.p. conjunta f(x,y) = 2*exp(-x-y) x>0 y
> 0. Halle las marginales. Son independientes X e Y? Determine P (y-x<5 / x + y>7).
f (x,y) = 2 ( x y ) x>0
y> 0
g (x) =
2( x y ) 4 ( x y )
h (y) =
2 ( x y ) dx
2 y
P(Y X 5 X Y 7)
P (Y-X < 5/ X +Y > 7) =
P ( X Y 7)
7 Y 5 X
Y 7 X
7
2 ( x y ) dydx
Y 7 X
Y 5 X
dydx
7
2 ( x y )
2 ( x y ) dydx
2 ( x y ) dydx
38
23._ Sea (x,y) una variable aleatoria bidimensional continua uniformemente distribuida en la
siguiente regin Calcule P(x > y):
24._ El kilometraje en miles de Km que dura cierto tipo de neumtico es una variable
aleatoria x con densidad:
1 x / 20
x 0
f (x)
20
0
x 0
Haciendo uso de la funcin de distribucin acumulada de x calcule:
a) Probabilidad de que un neumtico dure a lo sumo 1000 Km.
b) Probabilidad de que un neumtico que ha rodado 1000Km. Dure al menos 5.000 km.
ms
25._Sea x una v.a. continua con densidad:
1
1
f(x) =
x
1 x2
1
Obtenga la densidad de Y= y comente el resultado.
x
26._ Sea X el nmero de pruebas necesarias hasta encontrar el segundo componente
defectuoso. a) Halle la distribucin de probabilidades de X. b) Halle la esperanza y la
varianza de X.
27._ Las calificaciones correspondientes a 80 estudiantes de una clase de estadstica fueron
clasificadas en la siguiente forma:
Calificaciones
N de Estudiantes
20 30
3
30 40
6
40 50
5
En base a estos datos: hallar:
50 60
7
a) Media de las calificaciones.
60 70
10
b) Mediana y moda de las mismas.
70 80
29
c) Desviacin estndar de las mismas.
80 90
12
90 100
8
d) Qu porcentaje de alumnos est comprendido entre X
e) Porcentaje de alumnos con nota superior a 65 puntos.
39
1
z 2
2 1
Z (3,7)
1
2 V( 3 X Donde Y tiene distribucin f (z) = z / >0
3 = E (Y)
0 y
1 - ( t / ) con 2 Aos
= 1,25
a) Cul es la probabilidad de que uno de los cilindros est funcionando para una misin de
1 ao y medio?
b) Cul es la probabilidad de que el motor funcione para una misin de 2 aos y medio?
c) Usando 6 corridas de montecarlo, estime la confiabilidad del motor para una misin de 2
aos y medio. Estime tambin la esperanza de vida del motor y su desviacin estndar.
40
C
CA
AP
PIITTU
ULLO
O IIIIII
M
MO
OM
ME
EN
NTTO
OS
S
MOMENTOS
R-SIMO MOMENTO POBLACIONAL
R-SIMO MOMENTO CENTRAL
COEFICIENTE ASIMETRA Y CURTOSIS
FUNCIN GENERADORA DE MOMENTOS
Una distribucin de frecuencia se puede analizar con mayor certeza si se calculan las
constantes o momentos de la distribucin. Los momentos se emplean para el clculo de
medidas que describan la distribucin, y para determinar la curva apropiada a usar en
smoothing de una distribucin matemtica.
El primer momento de una distribucin de frecuencia como medida alrededor de algn
origen arbitrario es:
El segundo momento (alrededor de un origen arbitrario) es:
El tercer momento (alrededor de un origen arbitrario) es:
El cuarto momento(alrededor de un origen arbitrario) es:
Los momentos ms importantes son aquellos que se calculan respecto a la media como
origen:
Donde x representa la desviacin del valor actual de la media.
La suma de la desviacin alrededor de la media es cero y, adems el primer momento ser
igual a cero.
Los otros momentos alrededor de la media se obtienen ms fcilmente:
(1)El clculo de los momentos provenientes de una distribucin de frecuencia
Sea X una variable aleatoria. El r-simo momento de X alrededor del cero se define:
'
r = E
'
r = E
X = X
r
X = X
donde X es discreta
X d
donde X es continua
E x = x
x f d
si X es discreta
si X es continua
41
1.
0 . El segundo
'
distribucin de probabilidad de X;
'
3
3 2
'
Si
3
3
=0 la distribucin es simtrica.
COEFICIENTE DE ASIMETRA:
3
3
3
3
3/ 2
>0
asimtrica positiva
<0
asimtrica negativa
=0
simtrica
x 4 6 2 '2 3
4
'
'
42
4
4
4
4
2
(Platicrtica).
=3
(Mesocrtica).
= (1 )r! r i !i!
i
E (
i 0
i 0
1 r! r i!i! x
i
r i
'
r i
x q
PX x q
PX
0.5
PX
x q
q
si X es discreta
Si X es continua
43
x p |
Si X es discreta
f d
X
Si X es continua
m E e
tx
x t
tx
e f d
tx
si X es discreta
si X es continua
OBSERVACIONES:
t x
X t
m X t
t x
f d
X
x t
Si es discreta
Si es continua
asociadas con el uso de los momentos para caracterizar una distribucin las cuales
investigaremos.
Si la fgm existe, ella caracteriza un infinito conjunto de momentos. La pregunta natural
es cuando el infinito conjunto de momentos est caracterizado determina nicamente
una funcin de distribucin.
La respuesta es NO, caracterizando el conjunto de momentos no es suficiente para
determinar una funcin nicamente porque puede haber dos variables aleatorias
distintas que tienen los mismos momentos.
Ejemplo:
Caso especial de una Log normal:
log X 2 2
0<X<
Si X1~ f1 entonces E x1 e
r
r = o, 1,...,...
2 X
1 X
1 sen2 log xd
0X<
1 sen2 log xd
Ex x f
r
1 X
x f
r
1 X
E x1 x
r
1 X
sen2 log x d X
Entonces a pesar de que X1 y X2 tienen diferentes fdp tienen los mismos momentos
r .
TEOREMA
Sean X, Y variables aleatorias independientes con fgm Mx (t) y My (t). Entonces la
funcin generadora de momentos de Z =X +Y esta dada por: Mz (t)=Mx (t)*My(t)
Este teorema puede ser usado para derivar la distribucin de Z a partir de la
distribucin de X y Y.
45
Ejemplo:
X ~ N ( , )
2
Y ~ ( r, r )
2 2
Exp
M X t
t
r
Exp
rt
M Y t
2 2
2
r t r t
Exp
M Z t M X t M Y t
Ejercicio:
X ~ Poisson () y Y ~ Poisson ( )
X, Y independientes
X +Y = Poisson (+ )
TEOREMA
X1,..., Xn variables aleatorias independientes M x1 (t),..., Mxn (t) sus fgm.
n
M Z t
e b
t
a t ... M Xn a t
X1
Entonces existe una nica FX cuyos momentos estn determinados por MX (t) y X
donde FX(X) es continua tenemos:
lim F Xi X
i
X X
Esto es convergencia para t <h, de fgm a una fgm implica convergencia de FDA 2
TEOREMA
Para cualquier constante a y b la fgm de la variable aleatoria aX+b esta dada por:
bt
aX b t
X at
1
secuencia de momentos es nica si
1
r 1
' 2r
2r
1 t
t0>0 la distribucin FX
r
converge sobre un intervalo
r
!
r 0
esta nicamente determinada
'
X t
d Et /
dt
X
t 1
EX X 1... X r 1
1 d
X
E t / t 1 P X K
k
k! dt
FUNCIN CARACTERSTICA
La funcin caracterstica siempre existe y determina completamente la distribucin
acumulada.
Ee
itx
X t
Donde i =-1
48
C
CA
AP
PIITTU
ULLO
O IIV
V
DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES ALEATORIAS DISCRETAS.
DISTRIBUCIN BINOMIAL
1. Un experimento consta de n pruebas repetidas
2. Cada prueba tiene dos resultados posibles. xito = E y Fracaso= F.
3. Probabilidad de xito=P, Probabilidad De Fracaso (1- P ) = 2
4. Las Pruebas son independientes.
5. La variable aleatoria bajo estudio es Y= nmero de xitos observados en n pruebas.
TEOREMA: La probabilidad de k, xitos exactamente en n pruebas repetidas se denota y
n
expresa por m. ) = k qnk
k
DEFINICIN: Si consideramos n y p como constante la funcin anterior P (k) = b (k,n,p) es
una distribucin de probabilidad discreta:
K
0 1
P(k) qn n n1
q p
1
n
pn
2
n n2 2
q p
2
Se le llama distribucin binomial puesto que para k= 0, 1,2., n corresponde a los trminos
sucesivos del desarrollo binomial (q+p) n
Esta distribucin se conoce tambin como distribucin del Bernoulli, y las pruebas
independientes con dos resultados se llaman pruebas de Bernoulli.
2
varianza = n p q
OBSERVACION:
Esta distribucin tiene muchas aplicaciones.
a) Muestreo de productos defectuosos
b) Muestreo de preferencias de voltajes, de
consumidores.
DISTRIBUCION DE PROBABILIDAD GEOMETRICA
La variable aleatoria geomtrica Y es el nmero en la prueba en la cual ocurre el primer
xito. El experimento termina al obtener el primer xito.
La probabilidad de la interseccin de Y eventos indiferentes da a lugar la distribucin de
probabilidad geomtrica. P (y)= q y-1 p y=1, 2,3 0 p 1
Se usa como modelo para las distribuciones de la longitud de tiempos de espera.
49
DISTRIBUCIN HIPERGEOMETRICA
Supngase que una poblacin contiene un nmero finito N de elementos, cada uno de los
cuales tiene una de dos caractersticas de esta manera elementos podran ser rojos y b= n-r
negros. Se selecciona una muestra aleatoria de N elementos de la poblacin y la variable
aleatoria de inters es Y= nmero de elementos rojos en la muestra. Esta variable aleatoria
tiene distribucin de Probabilidad Hipergeometrica.
Distribucin de Probabilidad Hipergeometrica
y entero 0, 1,2,, n sujeto a condiciones y r
n y N r
P (y)=
K e
k=0, 1,2
k!
Esta distribucin infinita contable se presenta en muchos fenmenos naturales tales como el
nmero de llamadas telefnicas por minuto en un tablero de distribucin, el nmero de
erratas por pgina en un texto grande y el nmero de partculas emitidas por una
sustancia radioactiva.
TEOREMA La distribucin de Poisson tiene media u= varianza = desviacin estndar =
n
n y
P (y) = p y 1 p
y
cuando n se tiene
n y
y k
n y
P (y) = lim P 1 p
Y!
y
Aproximacin de la binomial por Poisson para un k pequeo siendo p pequeo y = n*p
Calculo para n=100, p= 1/100
= n*p
50
DISTRIBUCIN MULTINOMIAL
Supngase que el espacio muestral de un experimento se divide en S sucesos
mutuamente excluyentes A1A2,., As con probabilidades respectivas p1, p2,, p2
( p1+p2++p2= 1) entonces:
En n pruebas respectivas, la probabilidad de que A 1 suceda k, veces, A2 suceda k2 veces,.,
y As suceda k2 veces es igual.
n!
p1k1 p k22 ....p k22 Donde k1+k2+.+k2 = n
K 1! K 2 ! .... K 2 !
Esta es la distribucin Multinomial.
OBSERVACION Si S =2 obtenemos la Binomial.
51
C
CA
AP
PIITTU
ULLO
OV
V
DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES ALEATORIAS CONTINUAS.
DEFINICIONES:
- Sea Y cualquier variable aleatoria. La funcin de distribucin de Y denotada por F(y), est
dada por F(y) = P(Y y) - y <
- Las funciones de distribucin de variables aleatorias discretas siempre son funciones
escalonadas, puesto que la funcin de distribucin acumulativa solamente se incrementa en
un nmero numerable de puntos.
- Propiedades de F (y) a) lim F (y) = F (- ) 0
y
b) lim F (y) = F ( ) = 1
y
c) F (yb) F(ya) si yb >ya
- Sea Y una variable aleatoria con una funcin de distribucin F(y), se dice que Y es continua
si F(y) es continua para - < y <
- Para una V.A. continua Y se tiene P (Y=y) = 0 para cualquier y R
- Sea F (y) la funcin de distribucin de una variable aleatoria continua Y entonces f(y), dado
dF( y )
F1 (y) siempre y cuando exista la derivada, se denomina la funcin de
por f(y) =
dy
densidad de probabilidad para la variable aleatoria y.
- Se deduce de los tres apartes anteriores que F (y) =
densidad de probabilidad.
- Propiedades de f (y) a) f (y) 0 y b)
f ( y )dy 1
52
FUNCIONES DE DENSIDAD
UNIFORME f (y) =
01 y 02
02 0
Y 1e y /
F (y)
0 y
, > 0
( )
0 en cualquier otro punto
1
f (y) = e y / >0 0 y <
a,b>0
distribucin.
NORMAL
f (y) =
( y u ) 2
2 2
>0
WEIBULL
mym1 ym /
f (y) =
e
0y <
,m >0
1
y
ln y u )
2 2
y>0
Si una variable aleatoria U tiene una distribucin normal con media u y una varianza
2, y si consideramos U= ln y, entonces se dice que Y tiene una distribucin Log normal.
Esta distribucin se utiliza con frecuencia en las ciencias biolgicas y fsicas como modelo de
magnitudes de volumen o de peso, de diversas cantidades, tales como partculas de carbn
molido, cultivos, colonias de bacterias y animales individuales.
Recuerde que:
E (y) =
g (y)
g( y )f ( y )dy
- E (c) = C = CTTE
- E ( c g (y) = C E (g(y) C= CTTE
- E [g1 (y) + g2 (y) ++gk (y)] = E [g1 (y)] + E [g2 (y)] +..+E [gx (y)]
Donde gi (y) es una funcin de una V.A. Y
54
TEOREMA DE TCHEBYSHEFF sea t V.A. continua (discreta) con funcin de densidad f(y)
entonces para cualquier k > 0
P (| y - u| < k ) 1
1
1
p (| y u | k ) 2
2
k
k
py y 1
1
y1y 2
b)
f ( y1,y 2 )dy1dy2 1
DEFINICIN Sean Y1 y Y2 V.A. Discretas con funcin de probabilidad P (Y1, Y2) entonces
las funciones de Probabilidad Marginales de Y1 y Y2 respectivamente, estn dadas por
P1 (Y1) = py 1, y 2 y P2 (y2) = py 1, y 2
Y2
y1
Sean Y1, Y2 dos V.A. continuas con funcin de densidad conjunta f(y 1 , y2), entonces las
funciones de densidad Marginal de Y1 y Y2 respectivamente, estn dadas por:
F1 (y1) =
f y 1, y 2 dy 2
F2 (y2) =
f y
1,
y 2 dy1
P( Y1 y 1, Y2 y 2 )
P( Y2 y 2 )
p( y 1, y 2 )
p( y 2 )
55
Y1 y Y2 V.A. conjuntas continuas con la densidad f (y1 , y2) y las densidades marginales
f1(y1) y f2 (y2) respectivamente, entonces la densidad condicional de Y 1 dado Y2 = y2 est
dada por
f (y1 | y2) =
f (( y 1, y 2 )
f2 ( y 2 )
f2 (y2) > 0
f ( y 1, y 2 )
f1(y1) > 0
f1 ( y 1 )
0 en cualquier otro punto
yk
tienen
...
yk
y 2 y1
funcin
de densidad
gy 1, y 2 ,..., y k dy1dy 2 ...dy k
TEOREMAS
a) E (C)= C
conjunta
(y 1,..,yk)
si
E(j(y1,,yk)
y1
entonces
C = Constante
b) g (y1,y2) funcin de las V.A. Y1, Y2 Entonces E[c g(y1, y2) ] = c E[g(y1,y2)]
c) f( y1,y2) funcin de densidad conjunta de las V.A. y 1, y2 y g(y1,y2), y(y1,y2).gk (y1,y2)
Entonces.
E[g1(y1, y2) + g2 (y1,y2) + .+ gx (y1,y2)] = E[g1(y1, y2)]+ E[g2(y1, y2) + +E[gx(y1, y2)
d) y1, y2 V.A.I. con densidad conjunta f (y1, y2), sean g (y1) y h (y2) funciones de Y1 y Y2
respectivamente. Entonces E (g (y1) h (y2)) = E [g (y1)] E [h (y2)]
DEFINICIN: La covarianza de Y1 y Y2 se define como:
COV (y1, y2) = E [(y1 u1) (y2 u2) = donde u1= E(y1) y u2= E(y2)
56
TEOREMA:
a) y1, y2 V.A. con densidad conjunta f (y1, y2). Entonces
COV (y1, y2) = E [(y1- u1) (y2 u2)] = E (y1, y2) = E (y1) E y2)
b) Si y1, y2 son V.A. INDEPENDIENTES COV (y1, y2) = 0
TEOREMA:
y1,, yn y x1,, xm V.A. Con E (yi)=ui
U1 =
a y
i1
E(xi) = yi
b x
U2 =
j i
a) E (U1)=
di u i
b) V (U1) =
a
i1
i1
V( y i ) + 2
a a
i
i,
a a COV( y x )
i
i1 ji
i,
DEFINICIN
y1, y2 V.A. El valor esperado condicional de y1 dado que Y2 = y2 se define
E (y1(y2=y2) =
E (y1(y2=y2) =
y |(y1(y2) dy1
y p( y ( y )
y1
conjuntamente continuas
conjuntamente discretas
TEOREMA
Y1,Y2 V.A. Entonces E (y1) E [(y1)| y2)] La esperanza entre corchetes es con respecto a la
distribucin condicional de y1 dado y2 y la esperanza fuera de los corchetes es con
respecto a la distribucin y2.
TEOREMA DEL LMITE CENTRAL sean y1, y2,yn V.A.I.I.D (Variable Aleatorias
Independientes e idnticamente distribuidas) con E (y1) = u y V (yi) = 2 Definimos Un
y u
1 n
yi
n i i
estndar cuando n
= n (
) en donde y =
de distribucin normal
57
qn-r
n1
r 1
r,
otra forma de definirla es obtener K fracasos antes de obtener el r-esimo xito, sea Y= #
fracasos hasta obtener el r-esimo xito
r k 1 r k
F (k/r, p) =
x= 0, 1,2,.Distribucin Binomial negativa con parmetros r y k
p q
k
0 en otro caso
Si X
X
q
V(x) =
p
rq
BN (r, p) => E(X) =
V(X)
p
b (p) => E(X) =
q
p2
rq
p2
TEOREMA: Si X
FORMULA DE STIRLING Y
Pascal (k, p)
P (y>n) = P(x k)
P (y n) = P(x k)
B(n, p) k= # xitos
BN (r, p) si r p o
e x
xo
0
x = 0, 1,2,.
otro caso
Xi
58
r
N
E(X) = n*p
P(X=k)
V(x) = n.
r
r N n
r
si tomamos p=
1
N N N 1
N
V(X) = n*p*q
N n
: Entonces para N Grande
N 1
n
nk
~ p k 1 p Es decir X ~ B (n, p)
p
OBSERVACIN:
nN
n 1
reemplazo.
TEOREMA: Si las V.A.I X1,X2++Xk ~ Po ( )donde 1 ... k
Aproximacin Poisson a Normal
PROCESO DE POISSON
Cuando ocurren eventos en forma aleatoria a travs del tiempo. Definamos.
N (t) = n # Total de eventos que ocurren en 0, t { N (t), t 0 } es un proceso de Poisson si
se cumplen las condiciones siguientes.
1) N(0) = 0
2) El # eventos que ocurren en intervalos de tiempo disjuntos son V.A. independientes.
3) La distribucin de probabilidades del N de eventos que ocurren en un intervalo de
tiempo de Longitud t depende nicamente de t. es decir todos los intervalos de tiempo
de Longitud t tendrn la misma distribucin (N (S + t) N(S) N (t).
4) La probabilidad de que ocurra un evento en un intervalo de tiempo muy pequeo es
proporcional a la longitud de dicho intervalo P(N( t ) 1) wt w>0
5) La probabilidad de que ocurran dos ms eventos P(N( N (t ) 2) 0
Si se satisfacen estos 5 postulados para cada t 0
wt ( wt ) n
P(N(t) =n) =
n= 0,1. N (t) ~ Poisson ( wt )
n!
W=Promedio de eventos en el tiempo
a, b constantes a 0 , entonces:
Y~N (au+b, a2 2 )
1
1
exp( x 2 ) < x <
2
2
xu
~ N (0,1)
k
i 1
i 1
i 1
i 1
i 1
X=
X
i 1
Zn =
X ui
12
~ N (0,1)
2 V ( X i ) S E ( S ) n u V ( S ) nt 2 n Tn ( S n u )
n
i 1
n2
~ N (0,1)
x np
~ N (0,1) n grande
(n p q)1 / 2
1
P(X a) P( X a) = P (X a + ) 1 g ( x)dx
a
2
2
60
PROBLEMAS PROPUESTOS
( t )
a) Cul es la probabilidad de que uno de los cilindros est funcionando para una
misin de 1 ao y medio?
b) Cul es la probabilidad de que el motor funcione para una misin de 2 aos y
medio?
c) Usando 6 corridas de montecarlo, estime la confiabilidad del motor para una
misin de 2 aos y medio, estime tambin la esperanza de vida del motor y su
desviacin estndar.
61
4._ Un aparato elctrico domstico tiene un tiempo de vida til que obedece a una
distribucin exponencial con promedio de 4 aos. El vendedor quiere ofrecer una garanta
por cierto tiempo, consistente en cambiar la unidad si sta se daa irreparablemente. Por
cuanto tiempo debe darse la garanta, si se quiere que la probabilidad de que el aparato no
se dae durante el tiempo de garanta sea 0.95%?
5._Se conoce que la vida en horas de cierto dispositivo es una V.A. con distribucin
WEIBULL cuyos parmetros son 500 1,5
a) Si se vende un lote de 1.000 de tales dispositivos Cul es la cantidad esperada de stos
que sobrevivirn despus de 200 horas de funcionamiento continuos.
b) Si se venden 10 dispositivos Cul es la probabilidad de que a lo sumo 2 de estos
dispositivos fallen antes de 300 horas?
6._Supongamos Que el nmero de lectores que llegan en una hora a una biblioteca es una
variable aleatoria real de tipo continuo con 5 ; es decir, llegan en una hora a una
biblioteca es una Variable Aleatoria Real de tipo continuo con u=5; es decir, llegan un
promedio de 5 lectores por hora lo que es lo mismo, en promedio cada 12 minutos llega un
lector (1/5) de hora = 12 minutos). El tiempo entre la llegada de un lector y el inmediato
siguiente es una VAR. Distribuida exponencialmente con parmetro 12, calcule la
probabilidad de que el tiempo transcurrido entre un lector y el inmediato siguiente sea menor
a 8 minutos.
7._ La vida en miles de horas de una unidad de cierto tipo de componentes electrnicos tiene
una distribucin exponencial con 1 . El fabricante tiene un perodo de garanta de 900
horas. Le parece razonable este perodo de garanta? Razone su respuesta.
8._ Supongamos que un instrumento electrnico tiene una duracin T que es una variable
aleatoria continua que se asume tiene la siguiente densidad de probabilidades f(t) = 2 2t t >0
El costo de fabricacin de ese instrumento es de B1 2 y asegura un reembolso al comprador
si T 1.
a) Si el fabricante vende el instrumento por Bs. 5 Cul es la utilidad esperada del
fabricante por artculo?
b) Por cunto deber vender el fabricante cada instrumento para tener una utilidad
esperada de Bs. 1?
9._ La Duracin de un componente electrnico tiene una distribucin exponencial con valor
esperado igual a 1000 horas y se desea completar una misin de 1500 horas Cuntos
componentes deben ser instalados en paralelo para que la confiabilidad del sistema no sea
inferior a 90%.
10._ La probabilidad de que un cliente acuda a un mostrador de una tienda en cualquier
perodo de un segundo, es igual a 0,1. Supngase que los clientes llegan de manera
aleatoria y por lo tanto las llegadas en cada intervalo de un segundo son independientes.
a) Encuentre la probabilidad de que la primera llegada ocurra durante el tercer intervalo de
un segundo.
b) Encuentre la probabilidad de que la primera llegada no ocurra hasta al menos el tercer
intervalo de un segundo
62
11._ El nmero de defectos en el tejido de cierta tela tiene una distribucin de Poisson con
una media de cuatro por yarda cuadrada.
a) Encuentre la probabilidad de que una muestra de una yarda cuadrada contenga al menos
un defecto.
b) Encuentre la probabilidad de que una muestra de tres yardas cuadradas contenga al
menos un defecto.
12._ El nmero de colonias de bacterias de cierto tipo es unas muestras de agua
contaminada tiene una distribucin de Poisson con un media de dos por centmetros cbicos.
a) Si se toman en forma independiente cuatro muestras de un cc de esta agua, encuentre la
probabilidad de que al menos una muestra tenga una o ms colonias de bacterias.
b) Cuantas muestras de un CC deben seleccionarse para tener una probabilidad de
aproximadamente 0.95 de encontrar al menos una colonia de bacterias?
13._ A un supermercado entran personas de acuerdo a un Proceso de Poisson, a un
promedio de 0.5 por minuto. Alrededor de 75% de las personas que entran al establecimiento
efectan compras. Se observan las llegadas de personas al supermercado a partir de la hora
de apertura del mismo.
a) Cul es la probabilidad de que en la primera hora lleguen ms de 10 personas que no
efecten compras?
b) Cul es la probabilidad de que en la primera media hora llegue un total de ms de 15
personas?
c) Considere las diez primeras personas que entran. Cul es la probabilidad de que a lo
sumo dos de ellas no compren?
14._ A un Terminal de vehculos llegan camionetas de pasajeros, vehculos de carga y otro
tipo de vehculo en proporcin de: tantos vehculos de carga como otro tipo de vehculo y
el 50% camionetas de pasajeros. El total de vehculos que llegan al Terminal sigue una
distribucin de Poisson con promedio de 20 vehculos cada media hora.
Los pagos de peaje por vehculo son:
10 Bs. camioneta de pasajero
5 Bs. vehculo particular
8 Bs. otro tipo de vehculo.
Las camionetas de pasajeros traen un promedio de 20 pasajeros por unidad, quienes pagan
Bs. 15 c/u.
En un perodo normal de trabajo de 12 se pide:
a) Valor esperado de vehculos que llegan al Terminal
b) Valor esperado de la cantidad recaudada por concepto de pasajeros.
c) Valor esperado de la cantidad recaudada por el Terminal.
d) Se observan los vehculos que arriban hasta que llegan 5 camionetas de pasajeros.
Qu probabilidad hay de tener que contar ms de 10 vehculos.
e) En 365 das de observacin cul es la probabilidad de recaudar ms de 580.000 Bs. por
concepto de peaje.
(Defina cada variable a utilizar, su distribucin respectiva as como sus parmetros).
63
15._ Sea Y una variable aleatoria definida por Y= X 1 + 2X2 + 3X3 + X4 donde X1, X2, X3, X4
se distribuyen normalmente con medias 1 2 , 2 2 , 3 4 , 4 4 y varianza 12 = 3, 22
= 4, 32 = 4, 42 = 2 respectivamente.
a) Calcular la probabilidad de que Y tome los valores comprendidos en el intervalo [19,23]
b) Si un ensamblaje es como la figura, donde la longitud de estos componentes son las v.a.
X1, X2, X3, X4 dada antes, determine la probabilidad de que la longitud del ensamblaje est
incluida en el intervalo
[19, 23]
X3 X2 X4 X3 X1 X2 X3
Media (Kg.)
100
50
25
Desviacin Estndar
10
Kg.
5
Kg.
1/2
(20)
Kg.
El camin lleva 50 cajas del tipo A, 100 cajas del tipo B y 80 cajas del tipo C. El precio por
unidad (por Kilo) para cada producto es de:
PA = 50 Bs/Kg
PB = 80 Kg
Pc= 90 Bs/Kg
a) Qu probabilidad hay que el valor cargado por el camin no supere los Bs. 828.000?
b) Cul es el valor promedio de la carga del camin por bulto?
64
19._En una operacin de montaje, se unen por los extremos cuatro tubos, uno del tipo T 1,
uno del tipo T2 y dos del tipo T3 como se muestra en la figura.
T1
T3
T2
T3
La mquina i, i= 1, 2,3, produce el tubo tipo T1 y una variable normal es una aproximacin
razonable para explicar la variabilidad en la longitud (en mm) en los tubos. Las tres mquinas
trabajan independientemente y conducen a las siguientes medias y desviaciones estndar.
Mquina
1
2
3
Media
10
12
20
Desviacin estndar
0,5
0,5
1,0
La longitud total del conjunto montado que debe juzgarse contra una especificacin de 62
3 mm.
a) Si se han producido cuatro montajes, determine la probabilidad de que la longitud
promedio e ellos sea menor de 43 mm.
b) Si se inspeccionan montajes uno por uno, cul sera la probabilidad de tener que
inspeccionar por lo menos 20 montajes para encontrar el 5to. Montaje fuera de
especificaciones.
c) Si consideramos un lote de 600 montajes, determine la probabilidad de encontrar menos
de 480 o ms de 510 montajes dentro de especificaciones.
65
20._ Un limpiador lquido para fregar utensilios de cocina se envasa en unidades de 1 lt, sin
embargo, debido al sistema de llenado del equipo, el contenido es una variable que se
distribuye normalmente con una desviacin estndar de .050 lts. Y una media que se puede
ajustar mecnicamente a juicio del operador. Los envases son colocados en cajas de 16
unidades para su despacho o almacenamiento.
a) Cul debe ser la media de llenado en que se debe ajustar el equipo para que el 20% de
las cajas despachadas tengan un contenido neto total inferior a 15,968 ml.
b) Si se observaron los envases llenados hasta obtener el primero con contenido mayor a
0.97 lts. Determine la probabilidad de que a lo sumo, 8 envases sea necesario observar.
(NOTA: si no se hizo la parte a) asuma un = 0.98 lts.).
c) Suponga que en un turno de trabajo se llenaron mil envases y que por cada uno que
contenga menos de 0.97 lts. Se incurre en un costo de retrabado de 400 Bs. Determine el
valor esperado y la desviacin estndar de el costo total de retrabado.
21._ La duracin de cierto componente electrnico sigue una distribucin exponencial. Se
construye un sistema con cinco componentes que funcionan independientemente, de tal
forma que el sistema funciona solamente cuando todos los componentes funcionan Cul
debe ser la confiabilidad mnima de cada componente si se desea que la confiabilidad del
sistema para una misin de 750 horas, sea de al menos 90%.
22._ Suponga que el tiempo de vida de cierta marca de cauchos importados, sigue una
distribucin normal con una esperanza de 100.000 kilmetros y una desviacin estndar de
20.000 kilmetros. Un taxista equipa su vehculo con cauchos de sta marca Cual es la
probabilidad de que el taxista pueda rodar sin sufrir pinchazos durante al menos 50 mil
kilmetros?
23._ Cierta fbrica manufacturera requiere de un producto especfico a granel. La cantidad
del producto utilizada en un da se puede modelar por una distribucin exponencial con 4
(Mediciones en toneladas) a) Encuentre la probabilidad de que la fbrica vaya a utilizar ms
de 4 toneladas en un da determinado. b) Qu cantidad del producto a granel habra que
almacenar para que la probabilidad de agotar la existencia sea solamente de 0.05? c) Cul
es la probabilidad de que de 10 das de produccin en 3 de ellos se utilicen ms de 4
toneladas? Calcule la probabilidad de que en un da determinado se utilicen ms de 4
toneladas si el da anterior se usaron ms de 4 toneladas. Justifique.
24._ Supongamos que el nmero de lectores que llegan en una hora a una biblioteca es una
variable aleatoria real de tipo continuo con 5 ; es decir, llegan un promedio de 5 lectores
por hora lo que es lo mismo, en promedio cada 12 minutos llega un lector (1/5 de hora = 12
minutos). El tiempo entre la llegada de un lector y el inmediato siguiente es una VAR.
distribuida exponencialmente con parmetro 12 , calcule la probabilidad de que el tiempo
transcurrido entre un lector y el Inmediato siguiente sea menor a 8 minutos.
25._Una empresa metalmecnica produce rodamientos con dimetros que tienen una
distribucin normal con una media de 3,0005 pulgadas y una desviacin estndar de 0,0010
pulgadas. Las especialidades requieren que los dimetros estn en el intervalo 3.000
0.0020 pulgadas. Se rechazan los cojinetes que quedan fuera del intervalo y deben volverse
a maquinar, con la maquinaria actual.
66
26._ Se sabe que una fuente de lquido contiene bacterias, con un promedio de 3 bacterias
por milmetros cbico (mm3). El nmero de bacterias por unidad de volumen puede tomarse
como una variable de Poisson. Diez tubo milimtricos de 0.5 mm 3 se llevan con el lquido.
Calcular la probabilidad de que:
a) Todos los tubos queden contaminados les decir, contengan por lo menos una bacteria.
b) Exactamente 7 tubos queden contaminados
27._ El tiempo (en horas) que tarda en Gerente en entrevistar a un aspirante para un trabajo,
tiene una distribucin exponencial con B= . Los aspirantes estn programados en
intervalos de de hora, empezando a las 8:00 a.m., y los aspirantes llegan exactamente a
tiempo, cuando el aspirante con una cita a las 8:15 a.m. Llega a la oficina del Gerente. Cul
es la probabilidad de que tenga que esperar para poder ver al Gerente?
28._ El supervisor de una construccin necesita calcular los precios con mucho cuidado
antes de presentar un presupuesto. Tambin debe tomar en cuenta la incertidumbre
(variabilidad) en las cantidades de los productos que podra necesitar, para simplificar el caso
supngase que el supervisor de un proyecto decide que la cantidad de arena, en toneladas,
necesaria para un proyecto de construccin es una variable aleatoria, que se distribuye
normalmente con una media de 10 toneladas y una desviacin estndar de 0.5 toneladas. La
cantidad de concreto necesaria, en cientos de libras, tambin es una variable aleatoria, que
se distribuye normalmente con media de 4 y una desviacin estndar de normalmente con
media de 4 y una desviacin estndar de 0.2 la arena cuesta $7 por tonelada y el concreto
cuesta $ 3 por cien libras, agregando $ 100 por otros tipos de costos, el supervisor calcula su
costo total en
U = 100 + > 7y1 + 3y2
Si Y1 y Y2 son independientes. Cuntos tendra que pedir el supervisor para estar seguro
de que los costos reales excedern la cantidad pedida con una probabilidad de solamente
0.01? Es razonable el supuesto de independencia en este caso?
29._ Una compaa vende productos A, B y C. las demandas de estos tres artculos son
independientemente y estn normalmente distribuidas con las medas y desviaciones tpicas
que se tabulan a continuacin:
Producto
A
B
C
Media unidades / ao
10.000
20.000
15.000
Desviacin tpica
unidades / ao
2.000
4.000
3.000
a) Cul es la probabilidad de que la demanda de todos los tres productos sea mayor que
50.000 unidades por ao?
b) Si los precios de venta de los productos A, B y C son respectivamente $60, $50, y $ 20 por
unidad, Cul es la probabilidad de que los ingresos anuales por la venta de todos los tres
productos sean menores que $2.200.000?
67
30._ Una compaa discrimina su estructura de costos en dos grandes renglones: Nmina y
Costos Operacionales, se conoce que ambos rubros son v.a. normales con media 20.000$ y
30.000$ y desviacin estndar 1.500$ y 2.500$ respectivamente. El ingreso de la compaa
resulta de la venta de C cantidad de productos que se venden a 75$ la unidad. C puede
modelarse como una v.a. normal con media 1.000 unidades y varianza 121 unidades 2.
a. Si la compaa presupuesta 51.000$ para cubrir sus costos. Cul es la probabilidad de
que no se requieran fondos adicionales?
b. Cul es la probabilidad de que la compaa obtenga una ganancia superior a los 30.000$.
c. Cunto debe ganar la compaa, si se desea trabajar con una probabilidad de apenas 8%
de no alcanzar tal valor?
31._La cantidad de estudiantes que solicitan exoneracin por pago de matrcula es una v.a.
de Poisson con media de 10 solicitudes por mes. Estudios anteriores evidencian que el 75%
de los estudiantes que solicitan exoneracin pertenecen a los cursos de computacin y el
resto a idiomas.
a. Cul es la probabilidad de que en un trimestre cualquiera el nmero de solicitudes para
exoneracin de cursos de idiomas alcance un valor de 10?
b. Si se seleccionan 10 meses al azar de los registros de solicitudes de exoneracin de los
cursos de computacin. Cul es la probabilidad de que a lo ms en tres de esos meses el
nmero sea exactamente 8?
c. Para un mes cualquiera, Cul es la probabilidad de que el sptimo estudiante que solicita
exoneracin de pago sea el quinto de computacin?
32._ Considrense dos marcas de cierto tipo de componente electrnico. La vida en horas de
cualquier componente marca 1 es una v.a. con una distribucin N (253. 6, 50), mientras que
la vida en horas de cualquier componente marca 2 es una v.a. con una distribucin
Exponencial con media 1800.
a) Se ponen a funcionar en forma independiente un componente marca 1 y 10 componentes
marca 2. Cul es la probabilidad de que al menos uno de ellos viva ms de 189.5 horas?.
b) Se ponen a funcionar, independientemente, 10 componentes marca 1 y 10 componentes
marca 2
b-1) Cul es la probabilidad de que al menos uno de los componentes viva 189.5 horas o
menos.
b-2) Cul es el valor esperado del nmero de componentes que viven ms de 189.5 horas?.
33._ Cierta oficina pblica presta tres clases de servicio, que designaremos 1,2 y 3. A tal
oficina llegan personas requeriendo servicio de acuerdo a un proceso de Poisson a una
razn promedio de 0.2 por minuto. La oficina trabaja cinco horas por da (8:00 a.m.
1:00p.m.) Cada persona requiere slo una clase de servicio. Alrededor de 25% de las
personas requieren el servicio 1 debe pagar Bs. 10, mientras que para los servicios 2 y 3 los
precios son Bs. 20 y Bs. 10 respectivamente. La oficina puede atender en un da 18
solicitudes del servicio 1, 18 solicitudes del servicio 3 y todas las solicitudes del servicio 2
determine el valor esperado del ingreso, en Bs., de la ofician en un da.
68
34._En la construccin de cierto tipo de casa prefabricada, los elementos estructurales son
producidos en una planta y luego son trasladados al sitio donde ser armada la casa.
Mientras se estn produciendo los elementos estructurales se realizan en el sitio de armado
las operaciones de excavacin, pilotaje y fundacin. Los tiempos de ejecucin, en das, de
las diferentes operaciones, son variables aleatorias independientes. La distribucin de cada
una de ellas se indica a continuacin:
OPERACIN
DISTRIBUCIN DEL TIEMPO DE EJECUCIN
Excavacin
N (2,1)
Pilotaje
N(1,0.25)
Fundacin
N(3,1)
Produccin de
Elementos estructurales
N(5,1)
Traslado de los elementos
al sitio de armado
N(2,0.25)
El diagrama de operaciones del proceso es el siguiente:
a=-3 y b = 3
Calcular:
1) Valor Esperado y Desviacin Estndar de la variable
2) Probabilidad de que x est en el intervalo (40,85)
3) Si se realizan 10 observaciones de la variable x, cual es la probabilidad de que a lo
menos dos (2) estn en el intervalo (40.85)
69
36._Un grupo de tcnicos que reparan telfonos son solicitados por 120 clientes con una
hora en promedio.
El grupo puede atender 2 solicitudes por minutos en promedio. Se pide: Cul es la
probabilidad de que la cuadrilla quede rebasada durante un minuto dado?
Dada una distribucin normal basada en 1000 casos con una media de 50 y una de
desviacin estndar de 10.
a) Encontrar la proporcin del rea y el nmero de casos entre la media y las siguientes
calificaciones:
70 ; 25
b) Encontrar la proporcin de rea y el nmero de casos entre las siguientes calificaciones:
60 - 70
; 25 - 60
37._ El crecimiento del tronco principal para una muestra de 30 pinos rojos de 4 aos, tiene
una media de 11.3 pulgadas y una pulgadas y una desviacin estndar de 3.4 pulgadas.
Obtener un intervalo de confianza de 90% para la media del crecimiento del tronco principal
para una poblacin de pinos rojos de 4 aos sujeta a condiciones ambientales similares.
Interprete el resultado.
38._ Una empresa que produce tarjetas magnticas de telfono tiene 3 fbricas y un almacn
en diferentes partes de la ciudad. Cada fbrica debe cubrir una cuota de produccin diaria
para guardarla en el almacn.
El elemento importante de la produccin es el largo de la tarjeta que debe cumplir con las
especificaciones 90 9.9 mm
La mquina de la fbrica 1, tiene una distribucin N(91,3 2) para el largo.
La mquina de la fbrica 2, tiene una distribucin N(88,4 2), para el largo.
La mquina de la fbrica 3, tiene una distribucin N(90,5 2), para el largo.
La cuota de produccin de la fbrica 1 es de 160.000 Unidades
La cuota de produccin de la fbrica 2 es de 120.000 Unidades
La cuota de produccin de la fbrica 3 es de 120.000 Unidades
Cada fbrica establece un control diferente para detectar posibles fallas de su mquina. Si
cumple la condicin reprocesa el lote.
La fbrica establece un control diferente para detectar posibles fallas de su mquina. Si
cumple la condicin reprocesa el lote.
La fbrica 1 toma una muestra de 1000 y reprocesa si hay ms de 1 tarjeta mala.
La fabrica 2 toma una muestra de 10 y reprocesa si hay mas de 1 tarjeta mala
La fabrica 3 prueba 1 por 1 y reprocesa, si la primera tarjeta mala se encuentra antes de la
tercera prueba (asuma muestreo con reemplazamiento).
a) Si tuviera que cerrar una fabrica Cul seria?
b) Si al final del da toma una tarjeta al azar del almacn Cul es la probabilidad que
est fuera de especificacin?
c) Cul es la probabilidad que esa tarjeta mala provenga de la mquina 2?
d) Cul es la probabilidad de que la fbrica 1 reprocese?
e) Cul es la probabilidad de que la fbrica 2 reprocese?
f) Cul es la probabilidad de que la fbrica 3 reprocese?
g) Si disea una nueva tarjeta como muestra la figura
T1 T2 T3
T1
T2
T3
SOLUCION:
a) M1
P(-
10.9
8.9
X*
) = P (-3.63 Xx
3
3
2.96667) ~ 0,9985 0.0001
Obviamente la fbrica 3
b) P(F1) = 0.4 P(D/F1)= 0,0016
P(D) = P(D ( F1UF 2UF 3)) = P[D F1)U ( D F 2)U ( D F 3) ]
P(F2) = 0.3 P(D/F2)= 0.0253 =
P F1) P( D F 2) P( D F 3) P( F1) P( D / F1) P( F 2) P( D / F 2)
P(F3) = 0.3
c) P (F2/D) =
F (2 D) P( F 2) P( D / F 2) 0.00759
0.3362871
P ( D)
P ( D)
0.02257
Solucin:
A=0,3
H= 2
Sea X ~ EXP (2)
P(X j) = 0.2 =
2 2t dt 2t
1 2 j
2 j 0.8
2 j ln 0.8 0.2231435
j 0.1115717
P( X M ) 0.5 2 M 2 M ln 0,5 M
ln 0.5
2
M 0,3465735
P( X p) 0.2 2 p 2 p ln 0,2 p
ln 0.2
2
p 0,8047189
39._ El nmero de personas por hora que llega, en promedio, a un cierto telfono pblico, es
12 y el tiempo promedio de la duracin de las llamadas hechas all, es de cuatro minutos. Un
usuario ve desde el otro lado de la calle que nadie lo est usando y se dirige a l; si tarda
tres minutos en llegar al telfono, a) Cul es la probabilidad de que tenga que esperar ms
de cinco minutos?
72
40._Una mano de domin dura, en promedio, 3 minutos con una desviacin estndar de
medio minuto y sigue una distribucin normal. Cuando Rafael se dispone a comenzar una
nueva partida, recibe una llamada de su esposa requiriendo su presencia en casa; muy
atento, le dice que terminar la partida en media hora y luego, entonces, saldr para all. Si
la partida se completa en 11 manos, Cul es la probabilidad de que Rafael pueda cumplir
su promesa? Cul es la probabilidad de que, en esa misma partida, se jueguen 3 manos de
ms de cuatro minutos?
41._Un estudiante puede resolver una pregunta cualquiera de este examen, en promedio, en
media hora, de acuerdo a un proceso Poisson. Cul es la probabilidad de que si el profesor
decide recoger el examen en dos horas, UD. lo entregue con todas las preguntas
respondidas.
42._Se requiere comprar provisiones (alimentos y bebidas) para la realizacin de un proyecto
en una regin apartada del pas. El costo de provisiones para un da es de 400 Bs. Si las
provisiones no alcanzan habr que adquirirlas al doble del costo y si sobran se venden a la
mitad del costo. La duracin del proyecto en das es una variable aleatoria uniforme en el
intervalo (90 110 das). Calcule para cuantos das se deben comprar provisiones si se
desea minimizar el costo esperado.
43._ Una mquina troqueladora produce tapas de latas cuyos dimetros son variables
aleatorias independientes y normalmente distribuidas con desviacin estndar 0.01 pulgadas.
a) En qu dimetro nominal (dimetro medio) debe ajustarse la mquina si se
requiere que alrededor de un 5% de las tapas tengan dimetros que no
excedan a 3 pulgadas?
b) Cul es la probabilidad de que el promedio de los dimetros de 100 tapas
exceda a 3.1 pulgadas? (Use el dimetro medio obtenido en a).
73
C
CA
AP
PIITTU
ULLO
OV
VII
CONFIABILIDAD
Rs =
R i donde Ri es la
i 1
Fp =
i 1
f ( x)dx
o
tiempo t est dada por R(t) = 1 F(t) As la probabilidad de que el componente caiga en el
intervalo entre t y t+ t es F(t + ) F(t ) y la probabilidad condicional de falla durante este
intervalo, dado que el componente dur ms que el tiempo t se expresa mediante.
F( t t ) F( t )
Dividiendo por t Encontramos la razn promedio de falla en el intervalo de t
R( t )
F( t t ) F( t )
1
a t+ t , dado que la componente dur ms que el tiempo t, es
.
tomando
( t )
R( t )
el lmite cuando t o obtenemos entonces la Razn de falla instantnea simplemente
F1 ( t )
la Razn de Falla Z(t)=
como f(t) = F 1 ( t ) tenemos la ecuacin general para la funcin
R( t )
de tiempo de falla.
Z (t)=
f (t)
f (t)
falla.
FIG. I
Falla
Accidentales
Falla
Tempraneras
Falla
de desgaste
Curva para la razn de falla que caracteriza a una gran diversidad de artculos
manufacturados. En la 1era. Parte los artculos de mala calidad son eliminados.
Derivemos ahora una importante relacin que expresa la densidad del tiempo de falla en
trminos de la funcin tiempo de falla (recuerde R (t) = 1-F(t) y F1T(t) = - R1 (t) )
75
Z (t) = -
R1 ( t ) dlnRt
al Resolver la ecuacin diferencial para R (t)
R( t )
dt
t
OBTENEMOS R (T) = o
z ( x )dx
z ( x )dx
f (t) = - Z(t) o
Obtenemos la Ecuacin general para la distribucin tiempo de falla a
menudo se supone que la razn de falla es constante durante el perodo de vida til de un
componente. Fig. I.
> 0 f (t) , t
Si un componente que falla es reemplazado de inmediato por otro que tenga la misma razn
de falla constante . La ocurrencia de tiempos de falla es un proceso Poisson. El tiempo
promedio de espera entre fallas sucesivas es y . A esta constante suele denominarse
tiempo promedio entre fallas (MTBF).
-Una funcin til que suele usarse para aproximar las curvas donde la razn de falle no es
constante sino que crece decrece suavemente con el tiempo est dada por:
Z (t) = t 1 t >0 , constantes positivas. Si sustituimos Z (t) en:
f (t) = t 1 t t > 0
De NEIBULL.
dx t
Exponencial
Rs (t ) eit t
i 1
La funcin de confiabilidad
sistema
tambin
satisface
suposicin exponencial.
del
la
La razn de la falla del sistema es la suma de las razones de falla de sus componentes
n
, dado que el MTBF es el recproco de la razn de falla cuando cada componente que
i 1
falla es reemplazado de inmediato por otro que tiene una razn de falla idntica, obtenemos
1
la forma del tiempo promedio entre fallas, (sistema en serie) us =
que
1 1
1
....
u1 u2
un
expresa el MTBF us de un sistema en series en trminos de Los MTBF ui de sus
componentes, en el caso especial que todos los componentes tengan la misma razn de falla
76
y por tanto la misma MTBF u, La razn de falla de falla del sistema es n , el MTBF del
sistema es 1/ u
-
n
En el caso de sistemas en paralelo, los resultados no son tan simples. Si un sistema
consta de n componentes en paralelo que tienen sus razones de fallas respectivas
1, 2 ,..., n , la Inestabilidad del sistema en el tiempo T est dad por
n
1 1
1
p (1 ..... )
2
n
Tiempo promedio entre fallas para un sistema en paralelo donde todos sus componentes
tienen idntica razn de falla . Esto tomando en cuenta que cada componente defectuoso
es reemplazado cada vez que falle el sistema total en paralelo.
El modelo de Weibull en pruebas de vida
Funcin de weibull f (t) = pt p 1 t
t > 0, > 0, > 0
Funcin de confiabilidad
de Weibull R(t) = t
1
2 2 / { (1 2 ) [ 1 (1 )
77
PROBLEMAS PROPUESTOS
1._Dados 2 sistemas en Stand-by calcule mediante 5 simulaciones el tiempo promedio entre
fallas y la confiabilidad del sistema para una misin de 800 horas.
t1 ~ N ( = 500, 2 = 20)
t2 ~ EXP ( 0,1)
t3 ~ w ( 300, 1,2)
t4 ~ w ( 350, 1,5)
t5 ~ EXP ( 0,2)
2
3
5
4
X 1
LAMPARA
f (t) = t t 0 con 1
horas
1000
X
LAMPARA 2
Tierra
0 t<0
Tierra
3._Un sistema de proteccin contra cohetes est construido con N unidades de radar que
funcionan independiente, cada una con probabilidad de 0.9 de detectar un cohete que
ingrese en la zona que cubren todas las unidades.
a) Si N=5 y un cohete entra en la zona, Cul es la probabilidad de que exactamente cuatro
unidades detecten al cohete? Al menos una unidad?
b) Cul debe ser el valor de N para que la probabilidad de detectar el cohete al entrar en la
zona sea de 0.999
4._ Un libro de N pginas contiene, en promedio X errores de impresin por pgina. Estimar
la probabilidad de que por lo menos una pgina contenga ms de Y errores.
5._ Dados 2 sistemas en Stand-by calcule mediante 5 simulaciones el tiempo promedio entre
fallas y la confiabilidad del sistema para una misin de 800 horas.
78
6._Un sistema est constituido por tres componentes de tal forma que ste funciona mientras
al menos dos de los componentes funcionan. Calcule la confiabilidad del sistema si se sabe
que las confiabilidades de cada uno de los componentes son, respectivamente, 0.90; 0.95;
0.80
7._Dado el siguiente sistema de componentes:
0,9
0,95
.95
0,9
0.85
0,9
0,85
0,85
En los crculos
Aparecen las
Probabilidades de que
cada componente
funcione en un instante
cualquiera.
3 0.006. Determine la
79
ESTRATO SOCIOECONMICO
NUMERO DE
HABITANTES
CONSUMO POR
HABITANTE (Bs. /mes)
v.a. uniforme
4.000
(8,12)
II
3.000
(15, 25)
III
2.000
(30,50)
N 4 Si X N ( 3; 0,5)
Calcule:
a) P(2.5 X 4)
b) P(3 X 4.5) para n=5
5
c) Si Y =
X
i0
P(Y 13)
d) Si Z t con 7 grados de libertad, diga para que valor de Z la probabilidad acumulada hasta
ese punto sea de 0.90.
e) Si W X2 con 10 grados de libertad. Calcule lo siguiente:
p(6,7 w 16)
f) Si X Poisson con 5 . Calcule : P(x 3)
11._Se ha desarrollado un nuevo tipo de molde para concreto. Este nuevo molde posee
ventajas sobre el molde estndar como, por ejemplo, endurecimiento ms rpido. Sin
embargo, algunos ingenieros han expresado dudas respecto a la resistencia del producto
final.
No se consider econmico tomar ms de tres observaciones en cada tipo de molde y los
resultados fueron:
80
MARCA DE CEMENTO
II
III
MOLDE ESTANDAR
4.680
4.650
4.520
psi
NUEVO MOLDE
4.020
3.940
3.980
psi
Suponiendo que Ri
13._ Para tratar de recuperar los costos en los componentes rechazados por control de
calidad y cumplir las especificaciones del cliente se dise el siguiente circuito.
81
b)
n
n=
1-(1-p)n = 0.999999
(1-p)n = 0.000001
(1-0.9466336)n = 0.000001
(0.0533664)n = 0.000001
ln 0.000001
13.815510
4.7142
ln 0.0533664
2.9305739
n= 5
14._Dado el siguiente calcule la confiabilidad si cada uno tiene confiabilidad R i
82
Bibliografa
1) BAIN, L.; ENGELHART, M.
1989.
Distribution. Volume 1. 2nd Ed. John Wiley & Sons, Inc. U.S.A.
7) MENDENHALL, W.; SCHEAFFER, R.; WACKERLY, D.
1994.
Estadstica
83